論文の概要: Large Language Models for Planning: A Comprehensive and Systematic Survey

• arxiv url: http://arxiv.org/abs/2505.19683v1
• Date: Mon, 26 May 2025 08:44:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.287715
• Title: Large Language Models for Planning: A Comprehensive and Systematic Survey
• Title（参考訳）: 計画のための大規模言語モデル:包括的で体系的な調査
• Authors: Pengfei Cao, Tianyi Men, Wencan Liu, Jingwen Zhang, Xuzhao Li, Xixun Lin, Dianbo Sui, Yanan Cao, Kang Liu, Jun Zhao,
• Abstract要約: 大規模言語モデル(LLM)は、特定の計画タスクにおいて顕著なパフォーマンスを示している。 本稿では,LLMをベースとした計画の総合的なレビューを行う。
• 参考スコア（独自算出の注目度）: 29.168219253281453
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Planning represents a fundamental capability of intelligent agents, requiring comprehensive environmental understanding, rigorous logical reasoning, and effective sequential decision-making. While Large Language Models (LLMs) have demonstrated remarkable performance on certain planning tasks, their broader application in this domain warrants systematic investigation. This paper presents a comprehensive review of LLM-based planning. Specifically, this survey is structured as follows: First, we establish the theoretical foundations by introducing essential definitions and categories about automated planning. Next, we provide a detailed taxonomy and analysis of contemporary LLM-based planning methodologies, categorizing them into three principal approaches: 1) External Module Augmented Methods that combine LLMs with additional components for planning, 2) Finetuning-based Methods that involve using trajectory data and feedback signals to adjust LLMs in order to improve their planning abilities, and 3) Searching-based Methods that break down complex tasks into simpler components, navigate the planning space, or enhance decoding strategies to find the best solutions. Subsequently, we systematically summarize existing evaluation frameworks, including benchmark datasets, evaluation metrics and performance comparisons between representative planning methods. Finally, we discuss the underlying mechanisms enabling LLM-based planning and outline promising research directions for this rapidly evolving field. We hope this survey will serve as a valuable resource to inspire innovation and drive progress in this field.
• Abstract（参考訳）: 計画は知的エージェントの基本的な能力であり、包括的な環境理解、厳密な論理的推論、効果的なシーケンシャルな意思決定を必要とする。 大規模言語モデル(LLM)は特定の計画課題において顕著な性能を示したが、この領域でのより広範な応用は体系的な調査を保証している。 本稿では,LLMをベースとした計画の総合的なレビューを行う。 まず、自動計画に関する基本的な定義とカテゴリを導入し、理論的基礎を確立します。 次に、現代のLCMに基づく計画手法の詳細な分類と分析を行い、これらを3つの主要なアプローチに分類する。 1)LCMと計画のための追加コンポーネントを組み合わせた外部モジュール拡張手法 2 軌道データ及びフィードバック信号を用いてLCMを調整し、計画能力を向上させるファインタニングに基づく方法 3)複雑なタスクを単純なコンポーネントに分割したり、計画空間をナビゲートしたり、デコード戦略を強化して最良のソリューションを見つけたりする検索ベースの手法。 その後、ベンチマークデータセット、評価指標、代表計画手法のパフォーマンス比較など、既存の評価フレームワークを体系的に要約する。 最後に,LLMをベースとした計画の基盤となるメカニズムについて論じ,この急速に発展する分野での有望な研究の方向性を概説する。 この調査がイノベーションを刺激し、この分野の進歩を促進する貴重なリソースになることを願っています。

関連論文リスト

• LLMs as Planning Modelers: A Survey for Leveraging Large Language Models to Construct Automated Planning Models [24.230622369142193]
  大規模言語モデル(LLM)は様々な自然言語処理に優れるが、長い水平計画問題に悩まされることが多い。 この制限は、自動計画(AP)と自然言語処理(NLP)コミュニティにニューロシンボリックアプローチを統合することに関心を寄せている。
  論文  参考訳（メタデータ） (2025-03-22T03:35:44Z)
• Query-Efficient Planning with Language Models [8.136901056728945]
  複雑な環境での計画では、エージェントがスタートからゴールまでの一連のアクションを見つけるために、ワールドモデルを効率的にクエリする必要がある。 最近の研究によると、Large Language Models(LLM)は、将来有望な状態を探索し、世界からのフィードバックに適応することによって、計画に役立つ可能性がある。 両アプローチが同等のベースラインで改善されているのに対して,LLMを生成プランナーとして使用すると,相互作用が大幅に減少することを示す。
  論文  参考訳（メタデータ） (2024-12-09T02:51:21Z)
• Learning to Plan for Retrieval-Augmented Large Language Models from Knowledge Graphs [59.76268575344119]
  知識グラフ(KG)から得られた計画データを用いて,大規模言語モデル(LLM)計画能力を向上するための新しいフレームワークを提案する。 KGデータで微調整されたLLMは、計画能力を向上し、検索を含む複雑なQAタスクを処理するのがより適している。
  論文  参考訳（メタデータ） (2024-06-20T13:07:38Z)
• Exploring and Benchmarking the Planning Capabilities of Large Language Models [57.23454975238014]
  この研究は、大規模言語モデル(LLM)の計画能力を改善するための基礎を築いた。 我々は、古典的な計画ベンチマークと自然言語シナリオの両方を含む包括的なベンチマークスイートを構築した。 本研究は,LLM計画の強化を目的としたマルチショットインコンテキスト学習について検討し,文脈長の増大と計画性能の向上の関係について検討する。
  論文  参考訳（メタデータ） (2024-06-18T22:57:06Z)
• Understanding the planning of LLM agents: A survey [98.82513390811148]
  本調査では, LLMをベースとしたエージェント計画の体系的考察を行い, 計画能力の向上を目的とした最近の成果について報告する。 各方向について総合的な分析を行い、研究分野におけるさらなる課題について論じる。
  論文  参考訳（メタデータ） (2024-02-05T04:25:24Z)
• A Survey of Contextual Optimization Methods for Decision Making under Uncertainty [47.73071218563257]
  この記事では、データからポリシーを学ぶための3つの主要なフレームワークを特定し、その強みと限界について論じる。 統一的な表記と用語の下で既存のモデルとメソッドを示し、これらを3つの主要なフレームワークに従って分類する。
  論文  参考訳（メタデータ） (2023-06-17T15:21:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。